/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Опубликована
10 окт 2023

show-1-base

Генерация видеоТекст → видео3 профессии

Базовая каскадная диффузионная модель Show-1 создаёт ключевые кадры для генерации видео по текстовому описанию.

49скачиваний за 30 дней15лайковвеса обновлены12 окт 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Show-1 Base — базовая модель генерации видео по текстовому описанию, разработанная Show Lab Национального университета Сингапура. Это каскадная диффузионная модель, сочетающая обработку в пиксельном и латентном пространствах; данный этап генерирует 8 ключевых кадров размером 64×40. Модель дообучена на DeepFloyd/IF-I-L-v1.0 с использованием датасетов WebVid-10M и InternVid.

Модель предназначена для создания ключевых кадров видео, согласованных с текстовым запросом, как базовый этап каскада Show-1. Авторы ориентируют её на сочетание качества изображения и соответствия видео тексту; генерация видео высокого разрешения обычно требует значительных вычислительных ресурсов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • создание ключевых кадров видео по текстовому запросу
  • подготовка базового этапа каскадной генерации видео
  • визуализация сцен и движений, описанных словами

Ограничения

Данный базовый этап генерирует 8 ключевых кадров низкого разрешения 64×40 и предназначен для использования в каскаде. Генерация видео высокого разрешения может требовать значительных вычислительных ресурсов; лицензия запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

show-1-base

Pixel-based VDMs can generate motion accurately aligned with the textual prompt but typically demand expensive computational costs in terms of time and GPU memory, especially when generating high-resolution videos. Latent-based VDMs are more resource-efficient because they work in a reduced-dimension latent space. But it is challenging for such small latent space (e.g., 64×40 for 256×160 videos) to cover rich yet necessary visual semantic details as described by the textual prompt.

To marry the strength and alleviate the weakness of pixel-based and latent-based VDMs, we introduce Show-1, an efficient text-to-video model that generates videos of not only decent video-text alignment but also high visual quality.

Model Details

This is the base model of Show-1 that generates videos with 8 keyframes at a resolution of 64x40. The model is finetuned from DeepFloyd/IF-I-L-v1.0 on the WebVid-10M and InternVid dataset.

Usage

Clone the GitHub repository and install the requirements:

git clone https://github.com/showlab/Show-1.git
pip install -r requirements.txt

Run the following command to generate a video from a text prompt. By default, this will automatically download all the model weights from huggingface.

python run_inference.py

You can also download the weights manually and change the pretrained_model_path in run_inference.py to run the inference.

git lfs install

# base
git clone https://huggingface.co/showlab/show-1-base
# interp
git clone https://huggingface.co/showlab/show-1-interpolation
# sr1
git clone https://huggingface.co/showlab/show-1-sr1
# sr2
git clone https://huggingface.co/showlab/show-1-sr2

Citation

If you make use of our work, please cite our paper.

@misc{zhang2023show1,
    title={Show-1: Marrying Pixel and Latent Diffusion Models for Text-to-Video Generation}, 
    author={David Junhao Zhang and Jay Zhangjie Wu and Jia-Wei Liu and Rui Zhao and Lingmin Ran and Yuchao Gu and Difei Gao and Mike Zheng Shou},
    year={2023},
    eprint={2309.15818},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

Model Card Contact

This model card is maintained by David Junhao Zhang and Jay Zhangjie Wu. For any questions, please feel free to contact us or open an issue in the repository.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Пайплайн TextToVideoIFPipeline не входит в diffusers 0.41.0.dev0: нужен custom_pipeline.

Ревизия весов
02c7cbc

0 моделей